Core Concepts
XPose integrates Explainable AI principles into pose estimation to elucidate keypoint contributions, enhancing model transparency and interpretability.
Abstract
Current pose estimation approaches focus on model architectures without understanding decision rationale.
XPose introduces Group Shapley Value for efficient computation of keypoint contributions.
Group-based Keypoint Removal data augmentation enhances model's predictive ability for invisible keypoints.
Experimental results demonstrate the effectiveness of XPose and GKR across different methods.
Stats
現在の姿勢推定アプローチは、決定根拠を理解せずにモデルアーキテクチャに焦点を当てています。
XPoseは、キーポイントの貢献を効率的に計算するためのGroup Shapley Valueを導入しています。
グループベースのキーポイント削除データ拡張は、見えないキーポイントの予測能力を向上させます。
実験結果は、異なる方法でXPoseとGKRの効果を実証しています。